การจำลองด้วย AI เทียบกับการพยากรณ์แบบดั้งเดิม: โพลล์, กลุ่มตัวอย่าง, แบบจำลอง

การจำลองฝูงชนด้วย AI ไม่ได้มาแทนที่การสำรวจความคิดเห็น การสนทนากลุ่ม การตัดสินของผู้เชี่ยวชาญ หรือแบบจำลองทางสถิติ แต่เป็นการเติมเต็มช่องว่างระหว่างวิธีการเหล่านั้น วิธีการแบบดั้งเดิมวัดสิ่งที่ผู้คนคิดในปัจจุบันหรือคาดการณ์จากข้อมูลในอดีต ในขณะที่การจำลองช่วยให้คุณสังเกตว่าฝูงชนอาจมีปฏิกิริยาอย่างไรต่อสิ่งที่ยังไม่เกิดขึ้นทีละขั้นตอน และตั้งคำถามว่าทำไม การพยากรณ์ที่ดีที่สุดนั้นผสมผสานทั้งสองอย่างเข้าด้วยกัน: การจำลองเพื่อสำรวจและอธิบาย และวิธีการแบบดั้งเดิมเพื่อวัดและตรวจสอบ

สิ่งที่การพยากรณ์แบบดั้งเดิมทำได้ดี

แต่ละวิธีการที่ได้รับการยอมรับนั้นสามารถตอบคำถามเฉพาะประเภทได้ และแต่ละวิธีก็มีความเชี่ยวชาญในด้านนั้นๆ

• แบบสำรวจและโพล วัดการกระจายความคิดเห็นในปัจจุบันของประชากรกลุ่มหนึ่ง หากใช้กลุ่มตัวอย่างที่ดีและใช้ถ้อยคำที่ระมัดระวัง จะทำให้ได้ตัวเลขที่สามารถพิสูจน์ได้
• การสนทนากลุ่มและการสัมภาษณ์ เผยให้เห็นภาษา อารมณ์ และข้อโต้แย้งที่แบบสอบถามไม่สามารถเปิดเผยได้ พวกมันแสดงให้เห็นว่าผู้คนพูดคุยเกี่ยวกับหัวข้อนั้นอย่างไร ไม่ใช่แค่ความคิดเห็นของพวกเขาเท่านั้น
• การตัดสินใจของผู้เชี่ยวชาญ ช่วยให้เข้าใจบริบทได้ดีขึ้น: หัวหน้าฝ่ายสื่อสารหรือนักวิเคราะห์นโยบายที่มีประสบการณ์จะรู้ว่าผู้มีส่วนได้ส่วนเสียกลุ่มใดมีแนวโน้มที่จะทำให้สถานการณ์บานปลาย และประเด็นใดจะค่อยๆ จางหายไปเอง
• แบบจำลองทางสถิติและเศรษฐศาสตร์ สามารถคาดการณ์ได้อย่างน่าเชื่อถือเมื่ออนาคตคล้ายคลึงกับอดีตและมีข้อมูลในอดีตเพียงพอ

จุดอ่อนร่วมกันของพวกเขานั้นเหมือนกัน คือ พวกเขาไม่สามารถรับมือกับสิ่งใหม่ได้ การสำรวจไม่สามารถวัดปฏิกิริยาต่อการประกาศที่ยังไม่มีใครเห็นได้ หากไม่แสดงให้ผู้คนเห็น ซึ่งอาจเป็นไปไม่ได้ก่อนที่การตัดสินใจจะถูกเปิดเผยต่อสาธารณะ โมเดลที่ฝึกฝนจากผลิตภัณฑ์เปิดตัวในอดีตจะไม่รู้อะไรเลยเกี่ยวกับหมวดหมู่ที่ไม่เคยมีมาก่อน ผู้เชี่ยวชาญอาจยึดติดอยู่กับวิกฤตครั้งล่าสุดของพวกเขา

สิ่งที่การจำลองฝูงชนด้วย AI เพิ่มเข้ามา

การจำลองฝูงชนด้วย AI เริ่มต้นจากข้อมูลของคุณเอง ใน InfoDome คุณอัปโหลดเอกสาร เช่น ข่าว แผนงาน รายงาน หรือร่างนโยบาย และอธิบายด้วยคำพูดธรรมดาๆ ว่าคุณต้องการทำนายอะไร ระบบจะดึงกราฟความรู้เกี่ยวกับบุคคล องค์กร กลุ่ม และความสัมพันธ์ จากนั้นสร้างเอเจนต์ AI หลายร้อยตัวที่มีลักษณะเฉพาะ ตำแหน่ง และความทรงจำระยะยาวของตนเอง เอเจนต์เหล่านี้จะโต้ตอบกันบนแพลตฟอร์มจำลองสองแพลตฟอร์มพร้อมกัน คือ ฟีดแบบ Twitter และฟอรัมแบบ Reddit เป็นจำนวนรอบที่เลือกไว้ และความทรงจำของพวกมันจะอัปเดตตามเหตุการณ์ที่เกิดขึ้น

การออกแบบนี้ทำให้คุณได้รับสิ่งต่างๆ ที่ชุดเครื่องมือแบบดั้งเดิมไม่มี:

• เป็นการวิเคราะห์พลวัตมากกว่าภาพนิ่ง คุณจะเห็นว่าใครตอบโต้ก่อน ใครขยายความ ใครเป็นผู้โต้แย้ง และจุดยืนเปลี่ยนแปลงไปอย่างไรใน 10, 20 หรือ 40 รอบ
• คุณสามารถตั้งคำถามเกี่ยวกับคำอธิบายได้ หลังจากการทำงานเสร็จสิ้น ตัวแทนนักวิเคราะห์จะเขียนรายงานการคาดการณ์ และคุณสามารถสัมภาษณ์ตัวแทนคนใดก็ได้ หรือถามคำถามเพิ่มเติมกับนักวิเคราะห์เกี่ยวกับเหตุผลในการคาดการณ์นั้นได้
• การทดสอบแบบจำลองสถานการณ์ที่ปลอดภัย คุณสามารถเปลี่ยนข้อมูลป้อนเข้าเพียงอย่างเดียว เช่น วลี ราคา หรือวันที่ แล้วทำการทดสอบซ้ำโดยไม่ต้องเปิดเผยข้อมูลใดๆ ต่อสาธารณะ
• สามารถกำหนด กลุ่มเป้าหมายได้หลายกลุ่มพร้อมกัน คุณสามารถเลือกประเทศกลุ่มเป้าหมายได้สูงสุด 10 ประเทศ โดยตัวแทนจะถูกแบ่งอย่างเท่าเทียมกันในแต่ละประเทศ ขณะที่บุคคลหรือองค์กรที่มีชื่อจริงจะยังคงกำหนดประเทศของตนเองไว้
• ความเร็วและต้นทุน สามารถเตรียมสถานการณ์จำลองได้ภายในไม่กี่นาที ทำให้สามารถทดสอบแนวคิดต่างๆ ได้อย่างเป็นรูปธรรม ซึ่งโดยปกติแล้วไม่จำเป็นต้องใช้งบประมาณวิจัยเต็มรูปแบบ

ขีดจำกัดที่แท้จริงของการจำลอง

การจำลองคือสมมติฐานที่สามารถตรวจสอบได้ ไม่ใช่การวัดผล สิ่งสำคัญคือต้องระบุให้ชัดเจนว่าการจำลองไม่สามารถทำอะไรได้บ้าง

• มันสะท้อนให้เห็นถึงข้อมูลที่ป้อนเข้าไป หากเอกสารขาดกลุ่มข้อมูลสำคัญหรือระบุข้อเท็จจริงผิดพลาด ตัวแทนก็จะไม่สร้างความจริงที่ขาดหายไปนั้นขึ้นมา ช่องว่างในกราฟจะกลายเป็นช่องว่างในการคาดการณ์
• มันไม่ได้ให้ผลลัพธ์เป็นเปอร์เซ็นต์ที่เป็นตัวแทนทางสถิติ ส่วน แบ่งของตัวแทนเป็นเพียงสัญญาณบ่งบอกถึงทิศทางและกลไก ไม่ใช่สิ่งที่จะมาทดแทนการสำรวจความคิดเห็นจากกลุ่มตัวอย่าง
• แบบจำลองภาษาเองก็มีอคติอยู่ ตัวแทนอาจพูดจาได้ชัดเจนหรือมีเหตุผลมากกว่าฝูงชนในชีวิตจริง และความแตกต่างทางวัฒนธรรมบางอย่างอาจถูกลดทอนลงไป
• เหตุการณ์ที่ไม่คาดคิดก็ยังคงเกิดขึ้นไม่บ่อยนัก การจำลองสถานการณ์เป็นการสำรวจเส้นทางที่เป็นไปได้ แต่ไม่ได้เป็นการรับประกันว่าโลกแห่งความเป็นจริงจะดำเนินไปตามเส้นทางที่มีความเป็นไปได้มากที่สุด

ในคู่มือ การตรวจสอบการพยากรณ์ ของเรา เราได้อธิบายวิธีการตรวจสอบจุดอ่อนเหล่านี้อย่างเป็นระบบไว้แล้ว

วิธีการทั้งสองแตกต่างกันอย่างไรในทางปฏิบัติ

แทนที่จะถามว่าวิธีไหน "ดีที่สุด" ให้ถามว่าคุณมีคำถามอะไร

• "ตอนนี้คนส่วนใหญ่คิดอย่างไร?" ลองใช้แบบสำรวจดู การจำลองสถานการณ์อาจช่วยแนะนำคำถามที่ควรถามได้ แต่จำนวนผู้ตอบแบบสอบถามควรมาจากผู้ตอบแบบสอบถามจริง ๆ
• "ผู้คนจะมีปฏิกิริยาอย่างไรต่อสิ่งใหม่?" เริ่มต้นด้วยการจำลองเพื่อวิเคราะห์ปฏิกิริยาที่อาจเกิดขึ้น จากนั้นตรวจสอบความถูกต้องของปฏิกิริยาที่สำคัญที่สุดด้วยแบบสำรวจขนาดเล็กหรือการสัมภาษณ์เพียงไม่กี่ครั้ง
• "ทำไมสิ่งนี้ถึงอาจผิดพลาดได้?" การจำลองและการสนทนากลุ่มต่างก็มีจุดแข็งในที่นี้ การจำลองทำได้เร็วกว่าและสามารถทดลองซ้ำได้ ในขณะที่การสนทนากลุ่มให้ข้อมูลที่เป็นรูปธรรมจากมนุษย์จริงๆ
• "แนวโน้มในไตรมาสหน้าจะเป็นอย่างไร?" แบบจำลองทางสถิติจะใช้ได้ผลดีเมื่อประวัติศาสตร์มีความคงที่ ในขณะที่การจำลองจะช่วยได้เมื่อการเปลี่ยนแปลงเชิงโครงสร้างทำลายรูปแบบในอดีต
• "ในสามตัวเลือกนี้ ตัวเลือกใดมีความเสี่ยงน้อยที่สุด?" จำลองสถานการณ์เดียวกันสามครั้ง โดยเปลี่ยนตัวแปรหนึ่งตัว แล้วเปรียบเทียบรายงาน จากนั้นให้ผู้เชี่ยวชาญตัดสินข้อดีข้อเสีย

ตัวอย่างการคำนวณ: การปฏิรูปค่าโดยสารขนส่งสาธารณะในเมือง

ลองนึกภาพสภาเมืองกำลังเตรียมเปลี่ยนตั๋วโดยสารแบบเที่ยวเดียวเป็นระบบค่าโดยสารแบบแบ่งโซน ทีมงานมีร่างนโยบาย สรุปข้อร้องเรียนจากปีที่แล้ว และบทความข่าวท้องถิ่นสองบทความ

1. ขั้นตอนแบบดั้งเดิม การสำรวจความคิดเห็นของประชาชนที่มีอยู่แสดงให้เห็นว่า 58% ของผู้อยู่อาศัยให้คะแนนระบบขนส่งสาธารณะว่า "ยอมรับได้" ซึ่งมีประโยชน์ แต่ไม่ได้บอกอะไรเกี่ยวกับการปฏิรูปเลย
2. การจำลองสถานการณ์ ทีมงานอัปโหลดร่างเอกสารและบทความต่างๆ แล้วถามว่า "ผู้โดยสาร นักเรียน ผู้สูงอายุ และสื่อท้องถิ่นจะมีปฏิกิริยาอย่างไรในสองสัปดาห์แรกหลังจากการประกาศ?" ตัวแทนที่เข้าร่วมประกอบด้วยกลุ่มผู้โดยสาร สหภาพนักศึกษา สมาคมผู้สูงอายุ สมาชิกสภาฝ่ายค้านสองคน และนักข่าวท้องถิ่น หลังจาก 20 รอบ รายงานแสดงให้เห็นว่ากระแสต่อต้านที่รุนแรงที่สุดไม่ได้มาจากราคาเอง แต่มาจากความเข้าใจผิด: ตัวแทนหลายคนเชื่อว่าเขตชานเมืองจะต้องจ่ายเป็นสองเท่า ซึ่งในร่างเอกสารไม่ได้ระบุไว้
3. ติดตามผล ทีมงานสัมภาษณ์ตัวแทนสหภาพนักศึกษาและนักวิเคราะห์ ความสับสนเกิดจากประโยคที่ไม่ชัดเจนหนึ่งประโยคและตัวอย่างค่าโดยสารที่หายไป
4. จำลอง สถานการณ์ใหม่ ประโยคถูกเขียนใหม่ เพิ่มตัวอย่างการคำนวณค่าโดยสาร และจำลองสถานการณ์ซ้ำอีกครั้ง ความเข้าใจผิดลดลง และการถกเถียงเปลี่ยนไปอยู่ที่จังหวะเวลาในการเปลี่ยนแปลง
5. การตรวจสอบ ก่อนการประกาศ ทีมงานด้านการสื่อสารจะทดสอบข้อความทั้งสองเวอร์ชันกับกลุ่มตัวอย่างขนาดเล็กซึ่งประกอบด้วยผู้อยู่อาศัยจริง กลุ่มตัวอย่างจริงยืนยันว่ามีความเข้าใจผิดหลัก และสภาจึงเผยแพร่เวอร์ชันที่ชัดเจนกว่า

การจำลองไม่ได้ทำนายส่วนแบ่งคะแนนเสียง แต่ค้นพบกลไก ให้ทีมงานมีวิธีทดสอบวิธีแก้ไขที่ประหยัด และบอกพวกเขาอย่างชัดเจนว่าต้องตรวจสอบอะไรกับผู้คนจริงๆ

วิธีการผสานการจำลองเข้ากับการวิจัยแบบดั้งเดิม

ขั้นตอนการทำงานที่เป็นรูปธรรมมีลักษณะดังนี้:

• สำรวจก่อน ใช้การจำลองสถานการณ์ตั้งแต่เนิ่นๆ ในขณะที่แนวคิดยังสามารถเปลี่ยนแปลงได้ง่าย เพื่อระบุผู้มีส่วนได้ส่วนเสีย ข้อโต้แย้ง และจุดที่อาจก่อให้เกิดความขัดแย้ง การวางแผนสถานการณ์ และสถานการณ์ สำรวจจำลอง ของเราเป็นจุดเริ่มต้นที่ดี
• จำกัดขอบเขตให้แคบลง เลือกข้อค้นพบสองหรือสามข้อที่จะเปลี่ยนการตัดสินใจของคุณหากข้อค้นพบเหล่านั้นเป็นความจริง
• วัดผล. ตรวจสอบความถูกต้องของผลการวิจัยเหล่านั้นด้วยแบบสำรวจ คณะกรรมการ หรือการสัมภาษณ์ ตอนนี้คุณจึงใช้จ่ายงบประมาณด้านการวิจัยเฉพาะในส่วนที่สำคัญเท่านั้น
• ตรวจสอบผลลัพธ์ หลังจากเริ่มการจำลองแล้ว ให้เปรียบเทียบผลลัพธ์ที่เกิดขึ้นจริงกับผลลัพธ์ที่จำลองไว้ หากพบความแตกต่าง ให้แก้ไขเอกสารและทำการจำลองใหม่อีกครั้ง

สิ่งนี้ทำให้การตัดสินใจของมนุษย์ยังคงเป็นสิ่งสำคัญ การจำลองสถานการณ์ช่วยขยายขอบเขตมุมมอง และมนุษย์เป็นผู้ตัดสินใจ

หากคุณต้องการทดลองใช้กับเนื้อหาของคุณเอง คุณสามารถอธิบายงานใน คอนโซล InfoDome ก่อนสมัครใช้งานได้ แพ็กเกจนี้มีค่าใช้จ่าย 29 ยูโรต่อเดือน รวมงบประมาณการใช้งาน AI รายเดือน 9 ยูโร และโครงการไม่จำกัดจำนวน และสามารถยกเลิกได้ทุกเมื่อ